ESTIMASI CURAH HUJAN HARIAN DENGAN METODE

AUTO ESTIMATOR
(Kasus Jayapura dan sekitarnya)
DAILY RAINFALL ESTIMATION USING AUTO ESTIMATOR METHOD
(Jayapura and its surrounding case)

Yunus Subagyo Swarinoto1*, Husain2

1
Pusat Database BMKG, Jl. Angkasa I No. 2, Kemayoran, Jakarta
2
Akademi Meteorologi dan Geofisika, Pondokbetung, Tangerang
e-mail: yunusbmkg@live.com.

Naskah masuk: 6 Maret 2012; Perbaikan terakhir: 4 Oktober 2012 ; Naskah diterima: 5 Oktober 2012

ABSTRAK

Salah satu citra satelit cuaca yang digunakan secara operasional oleh Badan Meteorologi Klimatologi dan Geofisika
(BMKG) saat ini adalah citra MTSAT. Pengamatan awan dari satelit cuaca MTSAT dapat digunakan untuk menafsirkan
(estimasi) hujan. Estimasi curah hujan berdasarkan pada suhu puncak awan yang diperoleh dari citra satelit MTSAT
kanal IR-1 (infra red) dengan menggunakan metode Auto Estimator telah dilakukan di Jayapura dan sekitarnya. Sebagai
bahan kajian digunakan citra satelit cuaca MTSAT kanal IR-1 bulan Januari dan Februari 2010. Untuk keperluan
validasi dibutuhkan data observasi stasiun-stasiun meteorologi/ klimatologi Dok II Jayapura (97698), Sentani Jayapura
(97690), dan Genyem Jayapura (97692). Hasil estimasi curah hujan ini dibandingkan dengan data curah hujan actual
untuk mengetahui kedekatan hubungan antar keduanya. Untuk menguji keakuratan hasil dihitung nilai error (Root
Mean Square Error, RMSE) dan persentate hari hujan. Hasil menunjukkan bahwa hubungan antara curah hujan hasil
estimasi dengan curah hujan aktual di Jayapura dan sekitarnya pada Januari 2010 lemah dengan RMSE berkisar 117.8
– 215.5 mm/hari dan pada bulan Februari 2010 cukup kuat dengan RMSE berkisar 26.4 – 38.8 mm/hari. Tingkat akurasi
estimasi hari hujan pada bulan Januari >70% dan pada bulan Februari 2010 berkisar 42.8 – 85.7 %.

Kata kunci: Auto Estimator, Cuaca, MTSAT, Satelit, Suhu Puncak Awan

ABSTRACT

MTSAT data are used by BMKG for operational purposes. MTSAT channel IR-1 can be used to estimate rainfall on
surface. The rainfall estimation is derived based on the cloud top temperature by using the Auto Estimator Methode. The
area of study is chosen at Jayapura and its surrounding. The period of sattellite data used are January and February
2010. Validation of the rainfall estimation is done by using observed rainfall data taken from observation stations: Dok
II, Sentani, and Genyem. Results shows that the relation between estimated rainfall and observed rainfall in Jayapura
and its surrounding is weak on January 2010 (117.8 – 215.5 mm/day of RMSE) but stronger in February 2010 (26.4 – 38.8
mm/day of RMSE). The accuracy of the rainfall day estimation in January 2010 is about >70% and 42.8 – 85.7 % in
February 2010.

Key words: Auto Estimator, Weather, MTSAT, Sattellite, Cloud top temperature

1. Pendahuluan Jika presipitasi tidak mampu mencapai permukaan bumi

1.1. Latar belakang
Hujan merupakan salah satu bentuk presipitasi berupa
butir-butir/ tetes-tetes air atau kristal es yang jatuh dari
dasar awan yang dapat mencapai permukaan bumi [1].
karena habis menguap kembali ke atmosfer disebut
sebagai “virga'. Hujan dan snow merupakan bentuk
presipitasi yang paling umum. Bentuk presipitasi yang
lain adalah sleet, glaze, hail, rime, drizzle, mist, dan
graupel [2].

ESTIMASI CURAH HUJAN HARIAN DENGAN METODE AUTOESTIMATOR.....................................................Yunus Swarinoto dkk

53
Butir air yang dapat keluar dari awan dan mencapai
permukaan bumi sekurang-kurangnya harus memiliki
garis tengah 200 mikrometer. Jika kurang dari ukuran
tersebut, butir-butir air dimaksud sudah akan habis
menguap sebelum mencapai permukaan bumi.
Diameter dan kosentrasi butir/ tetes air ini sangat
bervariasi. Hal ini tergantung pada intensitas presipitasi
terutama jenis dan asalnya, yakni hujan kontinyu, hujan
shower, dan lain-lain [3]. Selanjutnya parameter yang
sangat penting dari hujan ini adalah intensitasnya,
banyaknya, dan keseringan kejadiannya [1].
Pengamatan terhadap hujan umumnya dilakukan secara
konvensional. Caranya adalah menakar jumlah curah
hujan yang jatuh di permukaan bumi menggunakan alat
penakar hujan. Untuk mendapatkan data curah hujan,
maka diperlukan stasiun pengamatan cuaca/ iklim
sebagai tempat observasi di darat. Namun dikarenakan
sangat mahalnya peralatan dan operasional stasiun
pengamatan cuaca/ iklim di darat ini, maka kondisi saat
ini belumlah memadai jumlah lokasi yang tersedia bila
dibandingkan dengan luas wilayah Indonesia [4]. Selain
itu, pengamatan curah hujan secara konvensional banyak
menemui kendala terutama di saat terjadinya cuaca
buruk. Hal ini merupakan permasalahan bagi
ketersediaan data curah hujan yang tepat waktu,
kontinyu, dan akurat. Oleh karena itu, estimasi curah
hujan menggunakan citra satelit cuaca sangat perlu
dikembangkan.
Satelit cuaca adalah wahana buatan yang berfungsi untuk
memantau dan memotret gejala perilaku cuaca yang
terjadi di atas permukaan bumi secara real time. Fungsi
tersebut antara lain adalah untuk mengidentifikasi jenis
Gambar 1. Citra satelit MTSAT IR-1 di atas wilayah Indonesia tanggal 03 Maret 2012 pukul 23 UTC [7]
JURNAL METEOROLOGI DAN GEOFISIKA VOL. 13 NO. 1 TAHUN 2012 : 53-61
54
awan, arah dan kecepatan angin, tracking siklon tropis,
suhu permukaan laut, keadaan atmosfer, estimasi curah
hujan, dan lain-lain [5]. Namun pada prinsipnya, yang
dihasilkan oleh citra merupakan kelanjutan fungsi
thermal dari sensor-sensor yang bersifat peka terhadap
panas yang ada pada wahana satelit tersebut. Beberapa
unsur cuaca/ iklim dapat diturunkan dari citra satelit. Di
antaranya adalah unsur cuaca/ iklim suhu udara
permukaan [6]. Contoh citra satelit cuaca MTSAT kanal
IR-1 yang menunjukkan kondisi perawanan di atas
wilayah Indonesia disajikan pada Gambar 1.
Saat ini metode Auto Estimator sudah banyak digunakan
untuk melakukan estimasi besaran curah hujan. Namun
hasil estimasi curah hujan yang dideteksi oleh satelit
cuaca dan pada pengamatan sinoptik mempunyai selisih
atau nilai perbedaan. Hal inilah yang perlu dikaji tingkat
keakuratan estimasi curah hujan dengan menggunakan
metode ini. Khususnya jika akan diaplikasikan di wilayah
tropis seperti Indonesia yang diwakili oleh daerah studi
Jayapura dan sekitar.
1.2. Tujuan Penelitian
a. Memanfaatkan citra satelit cuaca MTSAT kanal IR-1
untuk keperluan estimasi curah hujan harian di
Jayapura dan sekitar sebagai daerah studi.
b. Menyiapkan nilai estimasi curah hujan harian
berbasis persamaan-persamaan matematis
menggunakan metode Auto Estimator.
c. Mengetahui kualitas nilai estimasi curah hujan harian
dengan metode Auto Estimator ini dengan cara
menghitung nilai koefisien korelasi Pearson (r),
RMSE, dan nilai persentase ketepatan kejadian hari
hujan harian.
 Gambar 2. Penampakan perawanan pada citra satelit dan kondisi pemicunya [3]
1.3. Batasan masalah
Dalam penulisan ini hanya dikaji tentang keakuratan
nilai estimasi curah hujan harian yang dideteksi satelit
cuaca MTSAT kanal IR-1dengan menggunakan metode
Auto Estimator dengan menggunakan bantuan suatu
perangkat lunak.
Adapun stasiun meteorologi yang dijadikan
pembanding antara nilai estimasi curah hujan harian
yang dideteksi satelit dan curah hujan harian pada
pengamatan sinoptik, yaitu stasiun meteorologi/
klimatologi yang berada di sekitar Jayapura. Dalam
pengolahan data untuk bahan kajian dilakukan pada
bulan Januari dan Februari 2010 sebagai bulan-bulan
puncak musim hujan di daerah studi.
1.4. Analisis citra satelit
Untuk memprediksi jenis awan dengan memanfaatkan
citra satelit cuaca perlu memahami terlebih dahulu
mekanisme pemicu pertumbuhan awan. Bagan
pertumbuhan awan secara umum dapat dilihat pada
Gambar 2.
Berdasarkan bentuknya, secara garis beras awan dapat
dibagi menjadi dua, akni stratiform dan cumuliform.
Kedua jenis awan ini sangat berbeda, mulai dari penyebab
dan proses terbentuknya, ketinggiannya maupun
bentuknya, dan sifat hujan yang diturunkannya.
Jika dilihat dari pemicunya, bentukan awan yang
disebabkan oleh kondisi-kondisi lokal ataupun shear
biasanya berupa awan-awan cumuliform sel tunggal.
Sedangkan wilayah dimana terdapat Inter-Tropical
Convergence Zone (ITCZ) ataupun vortex [baik masih
berupa eddy, low, depresi tropis, Tropical Cyclone (TC),
maupun Tropical Storm (TS)], pada citra satelit akan
ESTIMASI CURAH HUJAN HARIAN DENGAN METODE AUTOESTIMATOR.....................................................Yunus Swarinoto dkk
terlihat bentukan awan-awan cumuliform yang
bercampur dengan awan-awan stratiform. Pada kejadian
ini, biasanya hujan yang dihasilkan akan mempunyai
periode yang cukup lama dan kontinyu, yang akhirnya
akan menghasilkan akumulasi curah hujan besar. Untuk
wilayah-wilayah rawan banjir hal ini biasa menjadi
masalah, karena ketika akumulasi curah hujan ini
melebihi batas ambang cuaca ekstrim wilayah itu, banjir
pun punya potensi besar akan terjadi.
1.5. Auto estimator
Citra satelit banyak digunakan untuk keperluan
mendeteksi potensi sebaran awan hujan. Citra satelit
yang digunakan umumnya kanal IR dan visible. Kedua
kanal ini dimanfaatkan untuk mendapatkan interpretasi
yang mendekati kenyataan yang sebenarnya terjadi.
Citra satelit IR adalah hasil gambaran yang diperoleh
berdasarkan pantulan suhu, sedangkan citra visible
diperoleh berdasarkan tingkat refleksifitas permukaan
(albedo).
Satu fakta penting mengenai awan-awan hujan yang
signifikan dalam pengembangan Auto-Estimator adalah
bahwa awan-awan dengan puncak awan bersuhu rendah
pada citra IR menghasilkan curah hujan yang lebih besar
dibandingkan dengan awan-awan yang puncaknya
bersuhu lebih hangat [3]. Perbandingan antara suhu
puncak awan pada satelit geostasioner citra IR dengan
citra radar cuaca memperlihatkan bahwa awan konvektif
dapat ditandai dengan suhu puncak awan yang sangat
rendah (195 sampai 210 °K).
Metode Auto Estimator [8] pertama kali dikembangkan
oleh Vicente dan kawan-kawan. Metode ini memadukan
data suhu puncak awan, rata-rata pertumbuhan puncak
awan, dan gradien suhu puncak awan yang didapat dari
citra satelit dengan nilai precipitable water dan nilai
55
kelembaban, arah dan kecepatan angin (dari data
rawinsonde) untuk menganalisis kelembaban
lingkungan. Lebih lanjut nilai-nilai parameter tersebut
digunakan menghitung akumulasi curah hujan serta
koreksi orografis untuk mengoreksi keakuratan data pada
lapisan atas.
Dari data yang dibutuhkan tersebut berarti materi yang
dibutuhkan untuk auto-estimator adalah jenis citra
satelit berorbit geostasioner (yang mampu menyediakan
data citra tiap satu atau setengah jam), data pendukung
berupa observasi dari stasiun-stasiun meteorologi/
klimatologi dan perangkat lunak yang mampu membaca
suhu puncak awan.
Sebuah komputer dengan program tertentu di antaranya
perangkat lunak SATAID akan mampu membaca warna
awan citra satelit untuk mendapatkan data suhu puncak
awan pada tiap piksel. Kemudian estimasi curah hujan
dihitung berdasarkan pertambahan atau pengurangan dari
nilai jumlah awan. Jika suhu puncak awan meningkat
pada dua citra satelit yang diambil dalam waktu yang
berurutan namun jumlah awan berkurang, maka akan
dilakukan koreksi terhadap jumlah awan. Jika suhu
puncak awan meningkat seiring dengan peningkatan
jumlah awan, maka biasanya diperkirakan hujan akan
turun dari awan ini.
1.6. Sattellite animation and interactive diagnosis
Dalam usaha pencegahan bencana alam yang berkaitan
dengan meteorologi, seperti typhoon dan hujan lebat,
peran satelit cuaca dalam observasi cuaca tidak dapat
diragukan lagi. Namun demikian, untuk lebih
mengefektifkan penggunaan satelit cuaca ini, maka
adalah penting untuk menganalisis citra dan mengambil
informasi darinya. Saat ini menganalisis citra satelit
cuaca umumnya dilakukan secara subyektif melalui
mata penglihatan manusia, sedangkan analisis yang
berkualitas membutuhkan penguasaan interpretasi citra
secara baik.
Perkembangan komputer dapat mempermudah tampilan
citra satelit ke layar komputer. Pusat Satelit Meteorologi
Jepang di Japan Meteorological Agency (JMA) telah
mengembangkan suatu sistem Computer Aided
Learning (MSC-CAL) untuk menampilkan citra satelit
sebagai sarana pembelajaran dan pelatihan dalam
rangka meningkatkan kemampuan analisis citra. Sistem
inilah yang kemudian disebut Satellite Animation and
Interactive Diagnosis (SATAID).
Dengan menggunakan SATAID [9], dapat diketahui
suhu yang diukur pada sebuah titik di dalam citra dan
merupakan suhu puncak awan yang akan digunakan
sebagai input data untuk menghitung nilai estimasi
curah hujan dengan metode Auto Estimator ini.
JURNAL METEOROLOGI DAN GEOFISIKA VOL. 13 NO. 1 TAHUN 2012 : 53-61
56
2. Data dan Metode
2.1. Data
Dalam menyiapkan tulisan ini digunakan dua jenis data
dasar, yaitu data citra satelit cuaca MTSAT kanal IR-1
(contoh dapat dilihat pada Gambar 3) dan data curah
hujan aktual hasil observasi lapang. Data citra satelit
cuaca MTSAT kanal IR-1 diperoleh dari Badan
Meteorologi Klimatologi dan Geofisika, Pusat
Meteorologi Publik, Bidang Pengelolaan Citra
Inderaja, Sub Bidang Pengelolaan Citra Satelit di
Jakarta. Citra satelit cuaca yang digunakan dalam
pengolahan data diambil untuk bulan Januari dan
Februari Tahun 2010.
Data curah hujan diperoleh dari hasil pengamatan
sinoptik di Stasiun Meteorologi Dok II Jayapura
(97698), Stasiun Meteorologi Sentani (97690) dan
Stasiun Klimatologi Genyem (97692). Data curah hujan
yang digunakan adalah data bulan Januari dan Februari
Tahun 2010.
· Data Suhu Puncak Awan
Data suhu puncak awan digunakan dalam perhitungan
curah hujan harian diperoleh dengan menginterpretasi
data citra satelit MTSAT kanal IR-1 dengan bantuan
perangkat lunak SATAID. Data yang didapat berupa
nilai suhu puncak awan dari hasil interpolasi dengan
cara Inverse Distance Weighting (IDW) [10] yang
mengacu letak geografis dari stasiun pengamatan hujan
yang dipilih.
Dalam pengolahan data dipilih stasiun Meteorologi Dok
II (97698) dengan posisi 2.53 oLS, 140.72 oBT, Stasiun
Meteorologi Sentani (97690) dengan posisi 2.5 oLS,
140.48 oBT, dan Stasiun Klimatologi Genyem (97692)
dengan posisi 2.9 oLS, 140.27 oBT. Data yang diperoleh
berupa suhu puncak awan tiap jam.
Data tersebut memiliki satuan derajat Celcius (°C) yang
harus lebih dahulu dikonversikan ke dalam satuan
derajat Kelvin (°K) sebelum dimasukkan ke dalam
persamaan.
· Data Curah Hujan Aktual
Data curah hujan aktual yang digunakan sebagai
pembanding berupa data curah hujan harian hasil
observasi stasiun meteorologi/ klimatologi di sekitar
Jayapura yang diambil pada bulan Januari dan Februari
2010.
2.4. Metode
· Metode Interpolasi
Berdasarkan pada data estimasi suhu puncak awan
yang diturunkan dari citra satelit cuaca MTSAT
kanal IR-1 diperoleh beberapa nilai yang berada di
sekitar koordinat stasiun pengamatan hujan.
Selanjutnya untuk mendapatkan nilai yang realistik,
perlu dilakukan interpolasi. Hal ini berkaitan pula
dengan resolusi horizontal dari data citra MTSAT kanal
IR-1 adalah 5 km. Perhitungan nilai interpolasi
digunakan cara Inverse Distance Weighting (IDW).
Persamaan [10] yang digunakan adalah sebagai
berikut :
Z0 = (3.1)
Dimana : Z0 = Nilai titik estimasi suhu puncak awan di
stasiun pengamatan hujan (oC); Zi = Nilai titik sampel
ke-i suhu puncak awan di sekitar stasiun (oC); Di = jarak
mendatar dari titik sampel ke titik estimasi/ stasiun
pengamatan hujan (o BT), dan n = jumlah data.
Untuk kasus mendatar, jarak mendatar antara titik
sampel dengan titik estimasi (Di) adalah serba sama dan
jumlah kasus prediksi adalah tunggal [11], maka
diperoleh persamaan Z0 berikut :
Z0 = (3.2)
Gambar 3. Cuplikan data citra satelit MTSAT channel IR-1 yang dilokalisir dalam skala 0.84o x 0.84o (sebelah kiri) dan Analisis
Ishophet Suhu puncak Awan IR-1 dalam skala 0.84o x 0.84o(sebelah kanan) yang mencakup wilayah kajian.
ESTIMASI CURAH HUJAN HARIAN DENGAN METODE AUTOESTIMATOR.....................................................Yunus Swarinoto dkk
Penggunaan metode interpolasi IDW untuk keperluan
spasial memang sangat disarankan. Hal ini berkaitan
dengan mudahnya metode tersebut diaplikasikan,
relatively simple. Namun demikian untuk keperluan
spasial, metode ini memiliki akurasi yang relatif sedikit
lebih rendah daripada metode interpolasi Ordinary
Krigging [4]. Metode ini menggunakan rata-rata dari
sampel sehingga nilainya tidak bisa lebih kecil dari
minimum atau lebih besar dari data sampel [12].
· Metode Auto Estimator
Metode Auto Estimator merupakan metode estimasi
curah hujan yang memadukan data suhu puncak awan,
rata-rata pertumbuhan puncak awan, dan gradient suhu
puncak awan yang didapat dari data citra satelit cuaca.
Metode ini digunakan untuk menghitung akumulasi
curah hujan. Dalam permodelannya, hujan diasumsikan
terjadi pada puncak awan yang sedang berkembang.
Persamaan empiris sederhana berikut digunakan dalam
perhitungan jumlah curah hujan yang diturunkan dari
citra satelit:
R = 1.1183*1011exp(-3.6382*10-2*T1.2)
Dimana: R = jumlah curah hujan dalam mm/jam dan T
adalah suhu puncak awan dalam derajat Kelvin (°K).
(3.3)
57
· RMSE
Nilai RMSE digunakan untuk mengetahui besarnya
penyimpangan yang terjadi antara nilai prediksi total
curah hujan harian dibandingkan dengan nilai total curah
hujan harian aktual hasil observasi. Berikut ini adalah
persamaan untuk menghitung RMSE [13], [14] yang
digunakan dalam pengolahan data:
RMSE = (3.4)
Dimana: N = Banyaknya data, RCi = Curah hujan hasil
estimasi ke-i (mm), dan ROi = Curah hujan aktual hasil
observasi ke-i (mm).
Perlu diketahui bahwa untuk validasi hasil estimasi, maka
semakin besar nilai RMSE akan semakin jauh nilai total
curah hujan harian estimasi terhadap data curah hujan
aktualnya. Semakin kecil nilai RMSE, maka semakin
baik prediksi total hujannya. Nilai terbaik RMSE adalah
0. Mengingat bahwa tingkat kesalahan yang dapat
diminimalisir dapat meningkatkan tingkat akurasi
kualitas estimasi [14].
· Koefisien Korelasi Linear
Series data yang diperoleh, baik dari RCi dan ROi
selanjutnya dikorelasikan satu dengan yang lainnya.
Metode korelasi digunakan untuk mencari nilai yang
menunjukkan kekuatan dan arah hubungan kedekatan
antara RCi dan ROi. Persamaan yang digunakan untuk
menghitung nilai koefisien korelasi moment produk
Pearson [15], [16] adalah seperti berikut :
r= (3.5)
Dimana: r = Nilai koefisien korelasi Pearson, xi = data
curah hujan hasil estimasi ke-i (mm), dan yi = data curah
hujan aktual hasil observasi ke-i (mm).
Nilai r memiliki sebaran dari -1 hingga +1 [17]. Nilai r ini
menunjukkan kuat-lemahnya hubungan antar variable
yang dikorelasikan. Semakin kuat hubungan antar
hubungan antar variable yang dikorelasikan, maka
semakin besar diperoleh nilai r. Nilai terbaik dari r adalah
+1. Artinya kedua variable yang dikorelasikan memiliki
hubungan yang sangat signifikan.
Nilai koefisien korelasi Pearson [16] dapat dinyatakan
sebagai berikut:
· Jika harga r mendekati +1, berarti hubungan antara
total curah hujan harian hasil estimasi dengan total
curah hujan harian aktual sangat kuat dan positif
(bersamaan fase).
JURNAL METEOROLOGI DAN GEOFISIKA VOL. 13 NO. 1 TAHUN 2012 : 53-61
58
· Jika harga r mendekati -1, berarti hubungan antara
total curah hujan harian hasil estimasi dengan total
curah hujan harian aktual sangat kuat dan negatif
(berlawanan fase).
· Jika harga r mendekati ≥ +0.5 atau ≤ -0.5, berarti
hubungan antara total curah hujan harian hasil
estimasi dengan total curah hujan harian aktual
dianggap cukup kuat.
· Jika harga r lebih kecil dari +0.5 atau lebih besar dari -
0.5, berarti hubungan antara total curah hujan harian
hasil estimasi dengan total curah hujan harian aktual
dianggap lemah.
Untuk validasi hasil estimasi dengan menggunakan nilai
koefisien korelasi Pearson ini, maka semakin besar nilai
koefisien korelasi yang didapat menunjukkan semakin
baik hasil validasi. Berarti semakin tinggi tingkat akurasi
estimasi yang dihasilkan.
· Keakuratan Estimasi Curah Hujan
Untuk membantu dalam menentukan keakuratan dari
estimasi curah hujan harian dengan menggunakan
metode Auto Estimator, maka digunakan metode
frekuensi dan persentase. Adapun persamaan yang
digunakan dalam metode frekuensi dan persentase adalah
sebagai berikut:
a. Untuk frekuensi diperoleh dari banyaknya Hari
Hujan (HH) pada data estimasi curah hujan harian
dengan metode Auto Estimator yang sesuai dengan
banyaknya Hari Hujan (HH) pada curah hujan
harian aktual yang dicatat pada pengamatan
sinoptik.
b. Untuk menghitung nilai persentase digunakan
persamaan berikut:
PHH = (3.6)
Dimana: PHH = Persentase akurasi hari hujan pada
estimasi curah hujan dengan metode Auto Estimator, F =
frekuensi hari hujan pada estimasi curah hujan dengan
metode Auto Estimator yang sesuai dengan hari hujan
pada pengamatan curah hujan actual, dan n = banyaknya
data.
Langkah-langkah yang dilakukan dalam menghitung
total curah hujan harian adalah sebagai berikut :
· Mengidentifikasi suhu puncak awan dari citra satelit
cuaca MTSAT channel IR-1 dengan bantuan
perangkat lunak SATAID,
· Menginterpolasi suhu puncak awan luaran perangkat
lunak SATAID mengacu letak geografis dari stasiun
pengamatan hujan dengan metode IDW,
· Mengkonversi satuan suhu puncak awan dari
derajat Celcius ke dalam derajat Kelvin, dimana
°K = toC+273,
· Menentukan nilai R (jumlah curah hujan) tiap jam
dengan menggunakan persamaan (3.3), kemudian
hasil curah hujan perjam dijumlahkan menjadi curah
hujan harian,
· Melakukan pembulatan nilai R harian dalam
persepuluhan,
· Melakukan validasi nilai R hasil perhitungan tersebut
dengan cara membandingkan dengan nilai curah
hujan aktual hasil pengamatan stasiun meteorology/
klimatologi,
· Menghitung nilai r, RMSE, dan persentase dari
semua data yang diolah,
· Menganalisis dan mengambil kesimpulan.
3. Hasil dan Pembahasan
Berdasarkan hasil pengolahan data curah hujan harian
aktual dan nilai estimasi curah hujan harian dengan
metode Auto Estimator maka diperoleh hasil seperti pada
Tabel 1.
3.1. Stasiun Meteorologi Dok II Jayapura
antara nilai curah hujan hasil estimasi dengan curah hujan
aktual masih sangat besar. Namun bila ditinjau dari
persentase akurasi jumlah hari hujan hasil estimasi
terhadap jumlah hari hujan aktual sangat bagus yakni
sebesar 90.3%.
· Bulan Februari Tahun 2010
Berdasarkan hasil estimasi curah hujan harian dengan
menggunakan metode Auto Estimator pada bulan
Februari 2010 didapat nilai estimasi curah hujan R =
614.9 mm. Sementara itu nilai koefisien korelasi Pearson
didapat r = +0.68. Hal ini menunjukkan bahwa hubungan
antara nilai curah hujan harian hasil estimasi dengan nilai
curah hujan harian aktualnya cukup kuat.
Kemudian bila dilihat dari nilai RMSE = 38.8 mm/hari,
menunjukkan besarnya penyimpangan yang terjadi
antara nilai curah hujan harian hasil estimasi dengan
curah hujan harian aktual masih cukup besar. Namun
demikian bila ditinjau dari nilai persentase akurasi jumlah
hari hujan harian hasil estimasi terhadap jumlah hari
hujan aktual bagus yakni sebesar 71.4%.

· Bulan Januari Tahun 2010 3.2. Stasiun Meteorologi Sentani

Berdasarkan hasil estimasi curah hujan harian dengan
menggunakan metode Auto Estimator pada bulan Januari
2010 diperoleh nilai estimasi curah hujan R = 3128.9 mm.
Nilai estimasi R ini masih sangat besar dan masih jauh
dari nilai aktualnya. Namun demikian, tingkatan
kesesuaian antara nilai curah hujan harian estimasi
dengan nilai hujan harian observasi masih memiliki
kaitan bersamaan fase dengan nilai r = +0.36. Hal ini
menunjukkan bahwa hubungan antara curah hujan harian
hasil estimasi dengan curah hujan harian aktualnya
mempunyai hubungan yang dianggap lemah.
Kemudian bila ditinjau dari nilai RMSE = 215.5 mm/hari,
menunjukkan besarnya penyimpangan yang terjadi
· Bulan Januari Tahun 2010
Berdasarkan hasil estimasi curah hujan dengan
menggunakan metode Auto Estimator pada bulan Januari
2010 diperolah nilai estimasi curah hujan R = 2752.82
mm. Nilai R hasil estimasi ini nampak masih sangat besar
bila dibandingkan dengan nilai aktualnya. Namun
demikian, kaitan antara curah hujan harian estimasi
terhadap curah hujan harian observasi ditunjukkan oleh
nilai r = +0.27. Hal ini menunjukkan bahwa hubungan
antara curah hujan harian hasil estimasi dengan curah
hujan harian aktualnya dianggap lemah.

Tabel 1. Curah Hujan Aktual, Estimasi, Koefisen Korelasi, RMSE, dan Persentase Akurasi di Jayapura dan sekitarnya (Januari -
Februari 2010)

CH Estimasi RMSE Akurasi HH

Lokasi Bulan Korelasi
Aktual CH (mm/hari) (%)

Stamet Dok II Januari 473.1 3128.95 +0.36 215.58 90.32

Jayapura (97698) Februari 242.4 614.96 +0.68 38.84 71.43

Stamet Sentani Januari 355.5 2752.82 +0.27 197.40 70.97

(97690) Februari 194.5 521.14 +0.78 26.45 42.86

Staklim Genyem Januari 436.5 1886.85 +0.47 117.82 90.32

(97692) Februari 216.7 521.90 +0.52 27.89 85.71

ESTIMASI CURAH HUJAN HARIAN DENGAN METODE AUTOESTIMATOR.....................................................Yunus Swarinoto dkk

59
Kemudian bila dilihat dari nilai RMSE = 197.40
mm/hari, menunjukkan besarnya penyimpangan yang
terjadi antara nilai curah hujan harian hasil estimasi
dengan curah hujan harian aktual sangat besar. Namun
bila ditinjau dari persentase akurasi jumlah hari hujan
harian hasil estimasi terhadap jumlah hari hujan harian
aktual bagus, yakni sebesar 70.97%.
· Bulan Februari Tahun 2010
Berdasarkan hasil estimasi curah hujan harian dengan
menggunakan metode Auto Estimator pada bulan
Februari 2010 diperoleh nilai estimasi curah hujan R =
521.14 mm. Sementara itu hubungan antara nilai curah
hujan estimasi terhadap nilai curah hujan observasi
ditunjukkan oleh nilai r = +0.78. Hal ini mengindikasikan
bahwa bahwa hubungan antara nilai curah hujan harian
hasil estimasi dengan nilai curah hujan harian aktualnya
cukup kuat.
Kemudian bila dilihat dari nilai RMSE = 26.45 mm/hari,
menunjukkan besarnya penyimpangan yang terjadi
antara nilai curah hujan haian hasil estimasi dengan curah
hujan harian aktual cukup besar. Namun demikian bila
ditinjau dari persentase akurasi jumlah hari hujan harian
hasil estimasi terhadap jumlah hari hujan harian aktual
kurang bagus yakni sebesar 42.86%.
3.3. Stasiun Klimatologi Genyem
· Bulan Januari Tahun 2010
Berdasarkan hasil estimasi curah hujan dengan
menggunakan metode Auto Estimator pada bulan
Januari 2010 didapat nilai estimasi curah hujan R =
sebesar 1886.85 mm. Nilai yang didapat untuk curah
hujan harian estimasi ini masih sangat besar terhadap
nilai aktualnya. Namun demikian kaitan antara curah
hujan harian estimasi dengan curah hujan harian
observasi ditunjukkan dengan nilai r = +0.47. Hal ini
menunjukkan bahwa hubungan antara curah hujan
harian hasil estimasi dengan curah hujan harian
aktualnya dianggap lemah.
Kemudian bila dilihat dari nilai RMSE = 117.8 mm/hari,
menunjukkan besarnya penyimpangan yang terjadi
antara nilai curah hujan hasil estimasi dengan curah hujan
aktual masih sangat besar. Namun demikian bila ditinjau
dari persentase akurasi jumlah hari hujan harian hasil
estimasi terhadap jumlah hari hujan harian aktual sangat
bagus yakni sebesar 90.3%.
· Bulan Februari Tahun 2010
Berdasarkan hasil estimasi curah hujan dengan
menggunakan metode Auto Estimator pada bulan
Februari 2010 nilai estimasi curah hujan didapat R =
614.9 mm. Sementara itu hubungan antara curah hujan
JURNAL METEOROLOGI DAN GEOFISIKA VOL. 13 NO. 1 TAHUN 2012 : 53-61
60
harian estimasi dengan curah hujan observasi
ditunjukkan dengan nilai r = +0.52. Kondisi ini
menunjukkan bahwa hubungan antara nilai curah hujan
harian hasil estimasi dengan nalai curah hujan harian
aktualnya cukup kuat.
Kemudian bila dilihat dari nilai RMSE = 38.8 mm/hari,
menunjukkan besarnya penyimpangan yang terjadi
antara nilai curah hujan harian hasil estimasi dengan
curah hujan harian aktual cukup besar. Namun demikian
bila ditinjau dari persentase akurasi jumlah hari hujan
hasil estimasi terhadap jumlah hari hujan aktual bagus
yakni sebesar 85.7%.
Secara umum penggunaan data yang terbatas nampak
mengakibatkan biasnya hasil penghitungan nilai r dan
RMSE. Mengingat dalam pengolahan data hanya
digunakan data 2 (dua) bulan, yakni Januari dan
Februari 2010 untuk mewakili kondisi musim hujan di
daerah studi. Padahal fakta menunjukkan bahwa
musim hujan di daerah studi dialami lebih dari 2 (dua)
bulan.
Pendeknya series data yang diolah tercermin dari hasil
penghitungan nilai r yang memiliki kisaran antara +0,27
- +0,78. Sementara itu hasil penghitungan nilai RMSE
memiliki kisaran antara 26,4 – 215,5 mm/hari.
Berdasarkan pada hasil perhitungan nilai r terdapat
perbedaan yang mencolok sekitar 0,51. Artinya
kualitas nilai estimasi curah hujan harian
menggunakan metode Auto Estimator menghasilkan
memiliki hasil lemah hingga cukup kuat. Sementara itu
nilai RMSE yang didapat memiliki perbedaan yang
sangat mencolok antara nilai curah hujan estimasi
dengan nilai curah hujan hasil observasi dengan kisaran
sekitar 189,1 mm/ hari.
Kondisi tersebut di atas menunjukkan bahwa metode
Auto Estimator yang digunakan dalam pengolahan data
belum memberikan konsistensi yang baik berkaitan
dengan fluktuasi kejadian curah hujan harian di daerah
studi. Untuk itu kelengkapan penggunaan data maupun
cara penerapan aplikasi estimasi curah hujan harian
dengan metode Auto estimator masih perlu pengkajian
lebih lanjut.
4. Kesimpulan
4.1. Kesimpulan
Berdasarkan pada uraian dalam bab-bab tersebut di
atas, dapat ditarik beberapa kesimpulan sebagai
berikut:
Hubungan antara curah hujan hasil estimasi berdasarkan
metode Auto Estimator dengan data observasi di Jayapura
dan sekitarnya untuk bulan Januari 2010 umumnya lemah
dengan nilai koefisien korelasi yang relatif rendah
(+0,27 - +0,47) dan nilai RMSE yang relatif besar
(117,8 - 215,6 mm/hari). Sedangkan hubungan antara
curah hujan hasil estimasi berdasarkan metode Auto
Estimator dengan data observasi untuk bulan Februari
2010 umumnya lebih kuat dengan nilai koefisien korelasi
yang relatif lebih tinggi (+0,52 - +0,78) dan nilai RSME
yang relatif lebih rendah (26,5 - 38,8 mm/hari).
Estimasi hari hujan dengan menggunakan metode Auto
Estimator di Jayapura dan sekitarnya mempunyai tingkat
akurasi yang relatif tinggi dengan kisaran 70 - 90 %
untuk bulan Januari dan 43 - 90 % untuk bulan Februari.
Dengan demikian metode Auto Estimator yang
digunakan dalam penelitian ini secara umum relatif
kurang baik untuk estimasi curah hujan di Jayapura dan
sekitarnya. Namun demikian, metode ini relatif baik
untuk estimasi hari hujan.
Ucapan Terimakasih
Ucapan terimakasih Penulis sampaikan kepada Sub
Bidang Pengelolaan Citra Satelit, Bidang Pengelolaan
Citra Inderaja, Pusat Meteorologi Publik atas perolehan
data citra satelit IR-1 MTSAT yang diolah dalam
penyiapan tulisan ini. Penulis juga memberikan apresiasi
yang tinggi kepada semua pihak yang telah membantu
secara langsung maupun tidak langsung dalam penyiapan
dan dimuatnya tulisan ini dalam penerbitan resmi
BMKG.
Daftar Pustaka
[1] Wirjohamidjojo, S. & Swarinoto, Y.S. (2007). Praktek
Meteorologi Pertanian. Jakarta: Badan
Meteorologi dan Geofisika (BMG).
[2] Spiridonov, V. & Curic, M. (2010). An Introduction to
Meteorology. Cobiss, MK.
[3] Zakir, A., Sulistya, W. & Khotimah, M.K. (2009).
Perspektif Operasional Cuaca Tropis. Jakarta:
Pulitbang BMKG.
[4] Swarinoto Y. S. (2009). Validasi Spasial Data
Estimasi Suhu Udara Turunan Dari Citra
Satelit Landsat7-ETM+ Terhadap Data
Observasi Stasiun Cuaca/Iklim Darat (Kasus
Provinsi Jawa Barat Bagian Selatan). Jurnal
Agroklimatologi, IPB, Bogor.
ESTIMASI CURAH HUJAN HARIAN DENGAN METODE AUTOESTIMATOR.....................................................Yunus Swarinoto dkk
[5] Purwadhi, F.S.H. (2001). Interpretasi Citra Digital.
Jakarta: PT Gramedia Widiasarana Indonesia.
[6] Anjasman & Swarinoto, Y.S. (2010). Identifikasi
Jenis Awan Menggunakan Metode Piksel-
Fuzzi. Bul. Met. Klim. Geo., 6 (1), 99-117.
[7] Citra Satelit, (2012),(www.bmkg.go.id.), diakses
tanggal 3 Maret 2012.
[8] Vicente, G.A., R.A. Scofield, & Menzel, W.P. (1998).
The Operation GOES Infrared Rainfall
Estimation Technique. Bull. Amer. Meteorol.
Soc., 79 (9), 1883-1898.
[9] Haryoko, U., Adriyanto, R., & Khotimah, M. K.
(2008). Manual Pengoperasian SATAID
(Satellite Animation and Interactive
Diagnosis). BMKG Deputi Bidang Sistem
Data dan Informasi.
[10] Lu, G.Y. & Wong, D.W. (2008). An Adaptive Inverse
Distance Weighting Spatial Interpolation
Technique. Computers and Geosciences, 34
(9), 1044-1056.
[11] Zimmerman, D., Pavlik, C., Ruggles, A., &
Amstrong, M.P. (1999). An Experimental
Comparison of Ordinary and Universal
Krigging and Inverse Distance Weighting.
Mathematical Geology, 31 (4), 375-390.
[12] Pramono, G. H. (2008). Akurasi Metode IDW dan
Kriging Untuk Interpolasi Sebaran Sedimen
Tersuspensi. Forum Geografi, 22, 99-110.
[13] Wilks, D.S. (1995). Statistical Methods in the
Atmospheric Sciences. San Diego: Academic
Press Inc.
[14] Swarinoto Y. S. & Sugiyono. (2011). Pemanfaatan
Suhu Udara dan Kelembapan Udara Dalam
Persamaan Regresi Untuk Simulasi Prediksi
Total Hujan Bulanan di Bandar Lampung. Jur.
Met. Geo., 12 (3), 269-279.
[15] Nazir, M. (2003). Metode Penelitian. Jakarta:
PT Ghalia Indonesia.
[16] Prihatini, Djatmiko, H.T., & Swarinoto, Y.S. (2000).
Kaitan Southern Oscillation Index Dengan
Total Hujan Bulanan di Pontianak. Jur. Met.
Geo., 1 (1),18.
[17] Usman, H., & Akbar, P.S. (2000). Pengantar
Statistik. Jakarta: Penerbit Bumi Aksara.
61